[发明专利]一种基于多尺度混合模型的无人机航拍图去雾方法

权利要求书

1.一种基于多尺度混合模型的无人机航拍图去雾方法，其特征在于，包括如下步骤：

步骤S1：对无人机航拍图进行预处理，采用压缩激发模块SE，对图片特征进行压缩，从而获得全局感受野，捕捉长程信息，调整因雾霾天气带来的对比度低、颜色失真问题；

步骤S2：采用不同扩张因子的空洞卷积模块DCLs，提取并融合不同尺度的语义特征，获取丰富的上下文信息，防止无人机航拍图出现过度平滑和细节丢失；

步骤S3：利用多尺度学习机制构建网络，递进式学习背景特征；将预测出的去雾结果和原始无人机航拍图对比，并使用YOLOv4可视化去雾结果图的目标检测性能，执行模型运行时间，验证算法的可靠性。

2.根据权利要求1所述的一种基于多尺度混合模型的无人机航拍图去雾方法，其特征在于，所述步骤S1具体实现如下：

步骤S11：获取无人机航拍图I，对其进行预处理，使用卷积模块提取纹理特征；

步骤S12：基于S11提取出的背景纹理特征，采用压缩和激发操作SE与跳跃连接结合的方式，设计一个压缩激发残余模块SRB；

步骤S13：在步骤S12中，压缩激发残余模块SRB利用SE操作自适应地重新校准每个特征映射的特征响应λ，再与SRB输入特征相乘逐通道加权得到λX，完成在通道维度上对原始特征的重标定；基于SRB模块的特征重标定生成初步的去雾图像

3.根据权利要求1所述的一种基于多尺度混合模型的无人机航拍图去雾方法，其特征在于，所述步骤S2具体实现如下：

步骤S21：将步骤S1得到的特征进一步输入到上下文扩展模块CDB中采用多尺度机制学习，一个CDB模块主要由两个卷积层和两个空洞卷积层DCLs所组成；

步骤S22：基于S21的多尺度机制，DCLs集合了三个具有不同扩张因子dilated＝1，3，5，和相同感受野receptive field＝3×3的卷积路径，每个路径根据扩张因子的变化获取到不同尺度的上下文信息d₁，d₂，d₃；

步骤S23：将步骤S22得到的特征d₁，d₂，d₃分别输入到对应dilated＝1，3，5的空洞卷积层，得到特征r₁，r₂，r₃。最后将经过多尺度提取的特征r₁，r₂，r₃融合并输出为特征r，经过卷积复原成去雾结果图I_dehazed。

4.根据权利要求1所述的一种基于多尺度混合模型的无人机航拍图去雾方法，其特征在于，所述步骤S3具体实现如下：

步骤S31：引入均方根损失MSE和感知损失Perceptual Loss优化网络学习，对模型训练过程进行实时评价，实时保存训练模型和数据；

步骤S32：引入有参考的性能评价指标PSNR，SSIM和LPIPS，无参考的性能评价指标DHQI，FRFSIM对去雾任务完成情况进行评价；

步骤S33：引入运行时间对网络模型处理速度进行评价；并在真实雾天无人机航拍图上使用流行的预训练目标检测模型YOLOv4从去雾图像中检测出感兴趣的目标；

步骤S34：基于S33检测出的目标框，通过平均置信系数对所有的去雾结果进行排序，验证经过多尺度混合模型的去雾方法，目标检测性能有明显的提高，有助于户外无人机航拍应用。